От школы до банка: как финалисты «Больших вызовов» решили наш кейс

Большие вызовы — большие возможности

Конкурс охватывает 12 направлений современной науки и технологий, от агропромышленных и биотехнологий до космических исследований. Мы приняли участие в направлении «Большие данные, искусственный интеллект, автоматизированные системы и безопасность», где участники под руководством наших экспертов из ЦТИИ решали технологический кейс банка.

Это направление особенно актуально сегодня. Цифровизация и роботизация стали ключевыми факторами роста производительности труда в последние десятилетия. Но следующий скачок в производственной эффективности, согласно прогнозам, будет связан с массовым внедрением передовых технологий искусственного интеллекта.

Направление состоит из нескольких треков. В треке «Большие данные и искусственный интеллект» участники исследуют передовые алгоритмы ИИ и создают информационные системы на их основе. Трек «Автоматизированные системы» включает как классические веб-сервисы и мобильные приложения, так и робототехнические разработки. «Информационная безопасность» фокусируется на повышении устойчивости систем к кибератакам.

Получается широкий спектр возможностей — от традиционных информационных систем до роботов под управлением передовых алгоритмов искусственного интеллекта.

Вызов принят: реальная задача из мира финансов

В нашем корпоративном бизнесе есть направление проектного финансирования — мы производим всестороннюю оценку инвестиционных проектов и предоставляем целевое кредитование клиентов для их реализации. Одна из приоритетных задач — финансирование проектов жилой застройки по 214-ФЗ.

При первоначальной оценке таких проектов мы анализируем их рентабельность. Каждая сделка стоит десятки миллионов рублей, сроки кредитования исчисляются годами. Ключевые вопросы: окупится ли проект? Будут ли продаваться квартиры? Как изменятся цены за квадратный метр через год, два, три? Какими будут темпы выкупа недвижимости в жилом комплексе? Нужен инструмент, который мог бы спрогнозировать не просто текущую стоимость, а динамику развития проекта.

Мы поставили команде задачу создать инструмент для динамического прогнозирования. А ребята решили разработать прототип аналитического инструмента из трех компонентов:

Интерактивная карта новостроек — показывает проекты в географическом контексте с учетом транспортной доступности, социальной инфраструктуры и конкурентов поблизости.

Аналитический калькулятор на базе ИИ — прогнозирует среднеквартальные цены за квадратный метр и динамику квартальных продаж, рассчитывает ключевые финансовые коэффициенты проекта.

Дэшборд для план-фактного мониторинга — отслеживает, насколько реальные показатели проекта соответствуют прогнозам, и помогает корректировать модели. Главная новизна решения — динамическая оценка стоимости и продаж. В отличие от существующих сервисов, которые дают статичную картину «сейчас стоит столько-то», наш инструмент должен предоставлять прогноз того, как будут развиваться события квартал за кварталом. Это дает гораздо более широкую картину для целей инвестиционного анализа.

Команда и наставники: кто создавал проект

Пять подростков из разных концов страны. Трофим Устьянцев из Каменска-Уральского стал дата-инженером команды — тем, кто добывает данные из хаоса интернета и превращает в структурированную информацию. С нуля погрузился в домен данных по сделкам и ценам проектов новостроек, подготовил статистическую базу для моделирования. Работал с хорошим усердием и показал заметный прогресс в освоении инструментов парсинга и анализа данных.

Никита Коротаев из Череповца взял роль специалиста по машинному обучению — создавал модели, которые учат компьютер предсказывать будущее цен. Проявил инициативу в выдвижении модельных гипотез и бизнес-метрик, довел все свои идеи до реализации. За три недели заметно углубил понимание методов машинного обучения и улучшил качество кода.

Павел Баранас из Красного Луча стал фронтенд-разработчиком, превращая сложные алгоритмы в понятные пользователю интерфейсы. Проявил инициативу в подготовке техзадания по методологии скринфлоу, разработал прототипы аналитических дэшбордов и занялся дизайном лендинг-страницы проекта.

Диана Айнулова из Москвы совмещала сбор данных с дизайном презентаций — современные проекты требуют не только технических решений, но и умения их красиво подать. Собирала макроэкономические данные, готовила защитную речь и освоила инструменты дизайна вроде Figma.

Особенно выделялся Шамиль Габдуллин из Казани — бэкенд-разработчик, который также активно подключался к фронтенд-части. Показал высокий уровень технических компетенций и выдающуюся скорость реализации компонентов веб-приложения. За три недели эта разношерстная команда должна была пройти путь от нуля до работающего прототипа. 120 часов интенсивной программы включали лекции, практическое программирование и, главное, работу с наставниками.

Работали участники под руководством наших экспертов. Леонид Гарин курировал анализ данных и разработку моделей машинного обучения. Алексей Андреев помогал готовить презентацию и учил анализировать данные. Александр Касимов консультировал по веб-разработке.

Этапы разработки: как превратить идею в работающий продукт

Разработка шла по четкому плану, разбитому на этапы.

Определение и сбор данных

На первом этапе нужно было найти и собрать разнородную информацию из множества источников. Команде понадобились данные о проектах и застройщиках, географические данные, макроэкономические показатели и индикаторы состояния рынка недвижимости.

Работали с Единым реестром застройщиков, OpenStreetMap, сайтами Мосбиржи, Росстата, Центробанка. Автоматизировали сбор из всех этих источников и консолидировали данные в единое хранилище. Геокодирование адресов, парсинг геопризнаков — довольно сложные технические задачи, с которыми команда справилась за неделю.

Предобработка и анализ данных

Реальные данные далеки от учебных примеров. Дубликаты записей, пропущенные значения, выбросы, влияние инфляции — каждая проблема требовала отдельного решения.

Команда провела предварительный исследовательский анализ, очистила данные от дубликатов и выбросов, нивелировала влияние инфляции на цены. Затем агрегировала информацию и сформировала временные ряды для прогнозирования. Занялась инжинирингом признаков — созданием новых переменных, которые помогают модели лучше понимать закономерности рынка.

Построение моделей машинного обучения

Участники протестировали широкий спектр алгоритмов: от классической линейной регрессии до современных рекуррентных сетей и методов survival analysis. Использовали библиотеки Python — scikit-learn, statsmodels, keras, PyTorch, TensorFlow, LightGBM, XGBoost, CatBoost.

Определили метрики качества: R2, MAE, MAPE, RMSE. Особенность проекта — правильное разбиение данных на обучающую и тестовую выборки с учетом временной составляющей и компаний-застройщиков. Нельзя было просто перемешать данные: модель должна предсказывать будущее на основе прошлого.

Разработка веб-сервиса

В итоге получилось полноценное веб-приложение. Backend на Python с FastAPI, база данных PostgreSQL для хранения объектов застройки, признаков и результатов моделей. Frontend на React с HTML, CSS, JavaScript превращал сложную математику в понятные графики, карты и интерактивные дэшборды.

Пользователь вводит параметры проекта — получает прогноз цен и продаж по кварталам в удобном графическом виде.

Результаты и взгляд в будущее

За три недели команда создала работающий прототип со всеми заявленными функциями. Карта показывает новостройки в контексте транспортной доступности и конкурентов. Калькулятор прогнозирует динамику цен и продаж с учетом десятков факторов. Дэшборд позволяет отслеживать точность прогнозов.

Качество работы подтвердило международное признание — проект показали делегации из ОАЭ на фестивале, где он получил высокую оценку. Но главное — реальные перспективы применения.

Мы планируем протестировать модели на актуальных данных и интегрировать в действующие финансовые процессы. Если эксперимент пройдет успешно, школьный прототип превратится в боевой инструмент для оценки кредитных рисков на миллионы рублей.

Наши эксперты на защите дали ценные советы по развитию проекта. Предложили использовать не только текущие данные, но и прогнозные показатели — например, консенсус-прогноз ключевой ставки. Еще одна интересная идея — одновременно рассматривать проектное финансирование застройщиков и ипотечные предложения для покупателей квартир. Мы можем кредитовать обе стороны сделки, усиливая синергию.

Заключение

«Большие вызовы» показали, что школьники готовы решать практические задачи реального бизнеса. За три недели интенсивной работы команда из пяти подростков создала работающий прототип инструмента, который может найти применение в банковских процессах.

Для нас это был интересный эксперимент сотрудничества с молодыми разработчиками. Участники получили опыт работы с реальными данными и бизнес-задачами, а мы — свежий взгляд на привычные процессы и готовое (почти) техническое решение.

Конкурс создает уникальную площадку, где выигрывают все: школьники проверяют свои силы на настоящих бизнес-кейсах, а компании открывают для себя нестандартные подходы и решения. Иногда свежий взгляд молодых специалистов оказывается именно тем, что нужно для решения сложных задач.